本發(fā)明涉及一種面向安防領(lǐng)域的無監(jiān)督的新穎性音頻事件檢測方法及系統(tǒng)。

背景技術(shù)：

隨著數(shù)字信號處理技術(shù)的飛速發(fā)展和互聯(lián)網(wǎng)的迅速普及，數(shù)字音頻處理技術(shù)的研究已進(jìn)入一個快速發(fā)展的階段，在音頻信息檢索、分類、內(nèi)容理解等方面已經(jīng)取得了長足的進(jìn)步。近年來，隨著視頻監(jiān)控的發(fā)展以及在應(yīng)用中的不足，人們對音頻監(jiān)控也提出了較大的需求。主要表現(xiàn)在：(1)音頻監(jiān)控系統(tǒng)的實現(xiàn)雖然困難相當(dāng)多，但人們對音影同步監(jiān)控的需求也越來越強(qiáng)烈。仔細(xì)觀察，不難發(fā)現(xiàn)，在公檢法機(jī)構(gòu)、機(jī)場、車站、銀行等一些區(qū)域，越來越多的安防工程急需清晰、逼真的音影同步監(jiān)控系統(tǒng)，音頻監(jiān)控已經(jīng)成為安防行業(yè)的新亮點(diǎn)。(2)對于一些公共治安事件頻發(fā)區(qū)域，如學(xué)校、歌廳、大型廣場等，大部分都安裝了視頻監(jiān)控設(shè)備，但很多地方聲音監(jiān)控還是空白。這些視頻監(jiān)控系統(tǒng)大都沒有辦法對正在發(fā)生的緊急事件進(jìn)行實時報警，只能事后提供監(jiān)控信息；而對這些地方進(jìn)行音視頻監(jiān)控可以成為及時處理突發(fā)事件的最佳手段。

目前在發(fā)達(dá)國家的市場上也出現(xiàn)了一些利用聲音檢測技術(shù)進(jìn)行分析和處理的事件報警裝置。如一些家庭內(nèi)部老人監(jiān)護(hù)系統(tǒng)或者醫(yī)院內(nèi)的病人監(jiān)護(hù)系統(tǒng)，這些系統(tǒng)可以通過監(jiān)聽老人的呻吟聲和摔倒的聲音來進(jìn)行緊急情況報警；如一種用于嬰兒看護(hù)的哭聲檢測系統(tǒng)，它可以通過檢測到嬰兒的哭聲來提醒看護(hù)者對嬰兒進(jìn)行及時的照顧。這些系統(tǒng)目前都使用了特定聲音檢測技術(shù)，利用特定聲音檢測的準(zhǔn)確性進(jìn)行實時的提醒和報警。但是這些系統(tǒng)應(yīng)用到公共領(lǐng)域的安防還存在這一定的難度，一個最主要的原因就是：安防裝置所放置的公共區(qū)域背景環(huán)境十分復(fù)雜。在公共領(lǐng)域放置的安防裝置周圍有大量的非緊急事件的聲音，這些聲音會造成聲音檢測系統(tǒng)的頻繁誤報，而且更重要的是，我們不可能窮舉在這些開放區(qū)域存在的所有可能的音頻事件。因此，需要一種方法檢測在這些公共區(qū)域發(fā)生的新穎性音頻事件。所謂新穎性音頻事件，就是指未知的或新穎的音頻事件，這些事件在訓(xùn)練數(shù)據(jù)中沒有出現(xiàn)或與訓(xùn)練數(shù)據(jù)中的音頻有完全的不同。傳統(tǒng)的新穎性事件檢測方法大都是基于有監(jiān)督的方法去訓(xùn)練模型，然后根據(jù)某種準(zhǔn)則或度量檢測新穎性事件。然而，在公共的開放區(qū)域，不可能事先知道哪些音頻事件可能發(fā)生，更不可能采用有監(jiān)督的機(jī)器學(xué)習(xí)的方法為這些音頻事件建立模型。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的就是為了解決上述問題，提供一種面向安防領(lǐng)域的無監(jiān)督的新穎性音頻事件檢測方法及系統(tǒng)，它具有利用無監(jiān)督的方法，自動檢測在公共安防區(qū)域發(fā)生的新穎性事件的優(yōu)點(diǎn)。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

面向安防領(lǐng)域的無監(jiān)督的新穎性音頻事件檢測方法，包括如下步驟：

模型訓(xùn)練步驟：對實際監(jiān)控場景下的音頻進(jìn)行訓(xùn)練，訓(xùn)練得到基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)模型；

新穎性音頻事件檢測步驟：對獲取在實際監(jiān)控場景下不同待測區(qū)域的音頻，對音頻進(jìn)行特征提取后，將提取后的特征輸入到已經(jīng)訓(xùn)練得到的基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)模型中，進(jìn)行新穎性音頻事件發(fā)生與否的檢測。

所述模型訓(xùn)練步驟包括如下步驟：

步驟(1-1)：獲取在實際監(jiān)控場景下不同區(qū)域的音頻，并對獲取到的音頻提取聽覺譜特征，然后轉(zhuǎn)入步驟(1-2)進(jìn)行訓(xùn)練；

步驟(1-2)：以步驟(1-1)提取的聽覺譜特征作為訓(xùn)練的輸出，以添加隨機(jī)噪聲的聽覺譜特征作為訓(xùn)練的輸入，以最小均方誤差作為訓(xùn)練準(zhǔn)則，采用通過時間反向傳播算法(Backpropagation Through Time,BPTT)訓(xùn)練基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)模型，并將訓(xùn)練好的基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)模型進(jìn)行存儲。

所述新穎性音頻事件檢測步驟包括如下步驟：

步驟(2-1)：獲取實際應(yīng)用場景下音頻，并對獲得的音頻提取聽覺譜特征，然后轉(zhuǎn)入步驟(2-2)；

步驟(2-2)：將步驟(2-1)提取的特征輸入到模型訓(xùn)練步驟得到的基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)模型中，獲得自動編碼機(jī)模型的輸出；然后轉(zhuǎn)入步驟(2-3)；

步驟(2-3)：計算在步驟(2-2)中輸入自動編碼機(jī)模型的音頻特征和步驟(2-2)中自動編碼機(jī)模型輸出之間誤差；然后轉(zhuǎn)入步驟(2-4)；

步驟(2-4)：在設(shè)定時間段內(nèi)連續(xù)的音頻上，積累步驟(2-3)獲得的誤差，并根據(jù)積累的誤差數(shù)據(jù)，計算閾值；當(dāng)誤差大于閾值時，則認(rèn)為新穎性音頻事件發(fā)生；否則，認(rèn)為新穎性音頻事件不發(fā)生。

所述步驟(1-1)的不同區(qū)域包括廣場、車展或商場等區(qū)域。

所述的步驟(1-2)中，在訓(xùn)練基于深度雙向長短時記憶遞歸網(wǎng)絡(luò)的降噪自動編碼機(jī)模型時，設(shè)置深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)為3個隱層，第一個隱層在每一個方向上含有156個長短時記憶細(xì)胞塊，第二個隱層在每一個方向上含有256個長短時記憶細(xì)胞塊，第三個隱層在每一個方向上含有156個長短時記憶細(xì)胞塊，且每一個記憶細(xì)胞塊只含有一個記憶細(xì)胞。

所述步驟(1-2)中，在訓(xùn)練基于深度雙向長短時記憶遞歸網(wǎng)絡(luò)的降噪自動編碼機(jī)模型時，為了防止梯度爆炸，采用梯度剪裁的方法來剪裁梯度。訓(xùn)練時，梯度的閾值設(shè)置為10。

所述步驟(1-2)中，在訓(xùn)練基于深度雙向長短時記憶遞歸網(wǎng)絡(luò)的降噪自動編碼機(jī)模型時，采用多個不同的流同時進(jìn)行，以加快模型訓(xùn)練的速度。

面向安防領(lǐng)域的無監(jiān)督的新穎性音頻事件檢測系統(tǒng)，包括：

訓(xùn)練單元，用于對實際監(jiān)控場景下的音頻進(jìn)行訓(xùn)練，訓(xùn)練得到基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的自動編碼機(jī)模型；

新穎性事件檢測單元，用于對獲取在實際監(jiān)控場景下不同待測區(qū)域的音頻，對音頻進(jìn)行特征提取后，將提取后的特征輸入到已經(jīng)訓(xùn)練得到的基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的自動編碼機(jī)模型中，進(jìn)行新穎性音頻事件發(fā)生與否的檢測。

所述訓(xùn)練單元，包括：

第一音頻獲取模塊，用于獲取在實際監(jiān)控場景下不同區(qū)域的音頻，并將音頻送入音頻特征提取模塊；

第一音頻特征提取模塊，對送入的音頻進(jìn)行特征提取，提取出聽覺譜特征；將提取的聽覺譜特征送入模型訓(xùn)練模塊；

模型訓(xùn)練模塊，以聽覺譜特征作為訓(xùn)練的輸出，以添加隨機(jī)噪聲的聽覺譜特征作為訓(xùn)練的輸入，以最小均方誤差作為訓(xùn)練準(zhǔn)則，采用通過時間反向傳播算法(Back propagation Through Time,BPTT)訓(xùn)練基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)模型，并將訓(xùn)練好的基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)模型送入模型存儲模塊進(jìn)行存儲。

優(yōu)選的，所述訓(xùn)練單元，還包括：

模型存儲模塊，用于存儲模型訓(xùn)練模塊訓(xùn)練完成的自動編碼機(jī)模型。

所述的模型訓(xùn)練模塊在訓(xùn)練基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)時，對梯度進(jìn)行剪裁。同時，在更新基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)時，利用動量(momentum)方法更新模型。動量(momentum)系數(shù)設(shè)置為0.9。

新穎性事件檢測單元，包括：

第二音頻獲取模塊，用于獲取在實際監(jiān)控場景下不同待測區(qū)域的音頻，并將音頻送入第二音頻特征提取模塊；

第二音頻特征提取模塊，對送入的音頻進(jìn)行特征提取，提取出聽覺譜特征；將提取的聽覺譜特征送入新穎性事件檢測模塊；

新穎性事件檢測模塊，將第二音頻特征提取模塊提取的特征輸入到模型訓(xùn)練模塊得到的基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)模型中，獲得自動編碼機(jī)模型的輸出；計算輸入自動編碼機(jī)模型的音頻特征和自動編碼機(jī)模型輸出之間誤差；

在設(shè)定時間段內(nèi)連續(xù)的音頻上，積累獲得的誤差，并根據(jù)積累的誤差數(shù)據(jù)，計算閾值；當(dāng)誤差大于閾值時，則認(rèn)為新穎性音頻事件發(fā)生；否則，認(rèn)為新穎性音頻事件不發(fā)生。

優(yōu)選的，所述新穎性事件檢測單元，還包括：

模型裝載模塊，用于裝載模型訓(xùn)練模塊訓(xùn)練完成的基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)模型。

優(yōu)選的，所述新穎性事件檢測單元，還包括：

檢測結(jié)果存儲模塊，用于存儲新穎性事件檢測模塊的新穎性事件檢測結(jié)果。

優(yōu)選的，所述新穎性事件檢測模塊，利用第二音頻特征提取模塊提取的特征，應(yīng)用模型裝載模塊加載的訓(xùn)練完成的自動編碼機(jī)模型，進(jìn)行新穎性音頻事件檢測，并將檢測結(jié)果傳送至檢測結(jié)果存儲模塊進(jìn)行存儲。

本發(fā)明的有益效果：

基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的自動編碼機(jī)通過引入長短時記憶細(xì)胞編碼了序列中過去與未來兩個方向信息，從這個意義上講，它是一個動力系統(tǒng)，比只有類似靜態(tài)輸入輸出變換的前饋式深度神經(jīng)網(wǎng)絡(luò)具有更好的泛化能力，可以更好地學(xué)習(xí)到更長時間的上下文信息和編碼輸入音頻的信息。

基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)的新穎性事件檢測，是一種無監(jiān)督的數(shù)據(jù)驅(qū)動的方法。該方法可以通過數(shù)據(jù)自動編碼輸入音頻的信息，通過測量當(dāng)前的輸入和降噪自動編碼機(jī)的輸出之間的距離，判斷新穎性事件是否發(fā)生。該方法能夠克服傳統(tǒng)的利用有監(jiān)督的機(jī)器學(xué)習(xí)方法進(jìn)行新穎性事件檢測方法的不足。

附圖說明

圖1為本發(fā)明的方法流程圖；

圖2為基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的自動編碼機(jī)模型的訓(xùn)練單元；

圖3為基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的自動編碼機(jī)的新穎性事件檢測單元。

具體實施方式

下面結(jié)合附圖與實施例對本發(fā)明作進(jìn)一步說明。

如圖1所示，面向安防領(lǐng)域的無監(jiān)督的新穎性音頻事件檢測方法，該方法包括如下兩個部分：基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的自動編碼機(jī)的模型訓(xùn)練步驟A和利用基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的自動編碼機(jī)進(jìn)行新穎性事件檢測步驟B。

所述步驟A，包括如下步驟：

步驟A1：接收實際音頻場景下的音頻輸入；

步驟A2：對步驟A1的音頻提取聽覺譜特征；

步驟A3：以提取的聽覺譜特征作為模型訓(xùn)練的輸出特征，以提取的聽覺譜特征與隨機(jī)產(chǎn)生均值為0、方差為0.01的噪聲的加和作為模型訓(xùn)練的輸入特征，以最小化均方誤差為訓(xùn)練準(zhǔn)則，采用通過時間反向傳播算法訓(xùn)練基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)模型。在訓(xùn)練基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的自動編碼機(jī)模型時，對梯度進(jìn)行修剪。同時，為了增加訓(xùn)練速度，采用多個流的方式進(jìn)行；

步驟A4：存儲訓(xùn)練完成的自動編碼機(jī)模型。

所述步驟B，包括如下步驟：

步驟B1：獲取實際場景下音頻；

步驟B2：對步驟B1獲取的音頻進(jìn)行特征提取，提取聽覺譜特征；

步驟B3：加載由模型訓(xùn)練模塊訓(xùn)練完成的基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)模型；

步驟B4：應(yīng)用加載的降噪自動編碼機(jī)模型和提取的聽覺譜特征，檢測輸入的音頻流中是否存在新穎性音頻事件；

步驟B5：存儲新穎性音頻事件的檢測結(jié)果。

基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)采用梯度剪裁的方法以增強(qiáng)模型訓(xùn)練的魯棒性和有效性，避免訓(xùn)練時的梯度爆炸。同時，在訓(xùn)練時采用動量(momentum)方法更新訓(xùn)練參數(shù)，以增強(qiáng)模型訓(xùn)練的穩(wěn)定性。為了加快模型的訓(xùn)練速度，采用多個不同的流同時進(jìn)行。為了獲得較好的檢測效果，設(shè)置深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)包含3個長短時記憶隱層。

所述提取聽覺譜特征的步驟為：

對于輸入的音頻按照16000赫茲進(jìn)行采樣，按照16位比特進(jìn)行量化，并采用窗長30毫秒，以及窗移是10毫秒的海明(Hamming)窗，以包含26個通道三角濾波器的濾波器組，計算Mel譜系數(shù)，獲得26維特征。

為了匹配人類的響度感知，對這26維的Mel譜系數(shù)M₃₀(n,m)在對數(shù)域進(jìn)行表示

并且?guī)哪芰恳沧鳛橐痪S特征，共27維特征用于表征音頻。

最后，對這27維特征計算一階差分

$D_{30}(n,m)={\mathrm{Mel}}_{\log }^{30}(n,m)-{\mathrm{Mel}}_{\log }^{30}(n-1,m),$

以獲得54維聽覺譜特征。

優(yōu)選實施例，在利用通過時間反向傳播算法訓(xùn)練基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)時，對梯度進(jìn)行剪裁，設(shè)置梯度剪裁的閾值是10。

如圖2所示，面向安防領(lǐng)域的無監(jiān)督的新穎性音頻事件檢測系統(tǒng)，包括：

第一音頻獲取模塊：輸入采樣率為16000赫茲，按16位比特編碼的PCM格式的實際場景的音頻。

第一音頻特征提取模塊：對第一輸入模塊輸入的音頻分別以30毫秒海明(Hamming)窗和10毫秒為窗移，以包含26通道個三角濾波器的濾波器組，提取54維聽覺譜特征。

模型訓(xùn)練模塊：用于訓(xùn)練基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)。

訓(xùn)練時采用的學(xué)習(xí)速率是0.00001，動量(momentum)的值為0.9。設(shè)置雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)有3個隱層。從第一個隱層到第三個隱層，在每一個方向上分別含有156,256和156個長短時記憶細(xì)胞塊，且每一個長短時記憶細(xì)胞塊只含有一個記憶細(xì)胞。同時，在訓(xùn)練基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)時，為了防止模型的過訓(xùn)練，梯度剪裁的方法用于剪枝梯度。訓(xùn)練時，梯度剪裁的閾值設(shè)置為10。

模型訓(xùn)練模塊，以對輸入的音頻特征作為模型訓(xùn)練的目標(biāo)，以輸入音頻特征和隨機(jī)產(chǎn)生均值為0，方差為0.01的噪聲的和為模型訓(xùn)練的輸入，以最小化均方誤差為訓(xùn)練的準(zhǔn)則，采用通過時間反向傳播算法訓(xùn)練基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)。在訓(xùn)練模型時，對梯度進(jìn)行剪枝，設(shè)置梯度剪裁的閾值是10。并且在更新模型時，利用動量(momentum)方法更新模型，動量(momentum)系數(shù)設(shè)置為0.9。

對于遞歸神經(jīng)網(wǎng)絡(luò)，表述如下：設(shè)x_t是t時刻輸入的K×1特征矢量，h_t是隱層單元的值，是N×1矢量，y_t是輸出，是L×1矢量，則只有一個隱層的RNN表示為：

h_t＝f(W_xhx_t+W_hhh_t-1) (1)

y_t＝g(W_hyh_t) (2)

其中，W_hy是連接N個隱層單元到L個輸出的L×N權(quán)值矩陣，W_xh是連接K個輸入單元到N個隱層單元的N×K矩陣，W_hh是連接時刻t-1的N個隱層單元到時刻t的N個隱層單元權(quán)值矩陣。f(·)和g(·)分別是隱層的和輸出層的激活函數(shù)。

通過時間反向傳播(Back propagationThroughTime,BPTT)算法用于學(xué)習(xí)權(quán)值矩陣。RNN可以學(xué)習(xí)到長時依賴(Long-Term Dependent)，并且理論上講，梯度下降法可用于訓(xùn)練RNN模型。但是，實際訓(xùn)練RNN時，存在著梯度消失(Vanishing Gradient)和梯度爆炸(Exploding Gradient)的問題。LSTM-RNN通過將長短時記憶細(xì)胞(Long Short-Term Memory Cell)引入到RNN中，可以在某種程度上避免梯度消失的問題。

LSTM-RNN記憶細(xì)胞集可以描述如下：

i_t＝σ(W_xix_t+W_hih_t-1+W_cic_t-1+b_i) (3)

f_t＝σ(W_xfx_t+W_hfh_t-1+W_cfc_t-1+b_f) (4)

c_t＝f_t·c_t-1+i_t·tanh(W_xcx_t+W_hch_t-1+b_c) (5)

o_t＝σ(W_xox_t+W_hoh_t-1+W_coc_t+b_o) (6)

h_t＝o_t·tanh(c_t) (7)

其中i_t,f_t,c_t,o_t,h_t是維數(shù)相同的矢量，分別代表在時刻t時，輸入門(Input Gate)、遺忘門(Forget Gate)、細(xì)胞激活(Cell Activation)、輸出門(Output Gate)和隱層激活五種不同的信息類型，“·”表示逐元素相乘，σ(·)表示logistic sigmoid函數(shù)，W是表示連接不同門的權(quán)值矩陣，b代表相應(yīng)的偏置矢量。LSTM-RNN模型訓(xùn)練仍然采用BPTT算法。

假設(shè)x_t是輸入音頻特征，為了增加模型的泛化性，噪聲n_t～N(0,0.01)與最初輸入的音頻特征x_t相加，獲得特征x_t′～N(x_t,0.01)，并將特征x_t′作為基于雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的自動編碼機(jī)模型的輸入，最初輸入的音頻特征x_t作為基于雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)的輸出。

為了簡化表示，輸入x_t′經(jīng)過公式(3)至公式(7)變換之后的輸出表示為F(x_t′)，則輸出F(x_t′)又可以作為輸入，利用雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)對輸入F(x_t′)進(jìn)行重建，獲得一個新的輸出從而計算出輸出與最初的音頻輸入x_t之間均方誤差。以最小化二者之間的均方誤差作為訓(xùn)練準(zhǔn)則，采用通過時間反向傳播算法訓(xùn)練降噪自動編碼機(jī)。

類似的，通過疊加、逐層訓(xùn)練的方式構(gòu)建基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)。模型存儲模塊：主要用于存儲由模型訓(xùn)練模塊訓(xùn)練獲得的降噪自動編碼機(jī)。

如圖3所示，新穎性事件檢測單元，包括：

第二音頻獲取模塊：輸入采樣率為16000赫茲，按16位比特編碼的PCM格式的實際場景下的音頻。

第二音頻特征提取模塊：對第二輸入模塊輸入的音頻，提取54維聽覺譜特征。

所述第二特征提取模塊，設(shè)定30毫秒Hamming窗，10毫秒窗移，以26個三角濾波器的濾波器組，獲得Mel譜系數(shù)M₃₀(n,m)。同時為了匹配人類的響度感知，對Mel譜系數(shù)M₃₀(n,m)在對數(shù)域進(jìn)行表示并且，幀的能量也作為一維特征。最后，對這27維特征計算一階差分以獲得54維聽覺譜特征。

模型裝載模塊：從模型存儲模塊裝載由模型訓(xùn)練模塊訓(xùn)練好的基于深度長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的降噪自動編碼機(jī)模型。

新穎性事件檢測模塊：對第二特征提取模塊提取的特征，利用模型裝載模塊裝載的自動編碼機(jī)模型，進(jìn)行新穎性事件檢測。

檢測結(jié)果存儲模塊：對新穎性事件檢測模塊檢測的結(jié)果進(jìn)行保存。

本系統(tǒng)可以在計算機(jī)、服務(wù)器或者計算機(jī)網(wǎng)絡(luò)中實現(xiàn)，其第一、第二音頻獲取模塊可以使用麥克風(fēng)等設(shè)備。

所述新穎性事件檢測模塊，首先，計算在輸入特征和基于深度雙向長短時記憶遞歸神經(jīng)網(wǎng)絡(luò)的自動編碼機(jī)輸出之間的誤差e₀，然后在一段連續(xù)的音頻片段積累誤差，并用積累的誤差自動更新閾值

θ‘＝β*median{e₀(1),e₀(2),…,e₀(N)}，

其中β的值是位于1.0和2.0之間的實數(shù)，median表示取中值。當(dāng)積累的誤差大于閾值θ‘時，則認(rèn)為新穎性事件發(fā)生。否則，新穎性事件不發(fā)生。

上述雖然結(jié)合附圖對本發(fā)明的具體實施方式進(jìn)行了描述，但并非對本發(fā)明保護(hù)范圍的限制，所屬領(lǐng)域技術(shù)人員應(yīng)該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護(hù)范圍以內(nèi)。